GANav：面向非结构化户外环境机器人导航的高效地形分割
机器人学
2022-06-22 v5 计算机视觉与模式识别
摘要
我们提出 GANav，一种新颖的组注意力机制，用于从 RGB 图像中识别越野地形与非结构化环境中的安全可导航区域。我们的方法基于粗粒度语义分割，按可导航等级对地形进行分类。我们新颖的组注意力损失使任何骨干网络都能以低空间分辨率显式聚焦于不同组的特征。与现有 SOTA 方法相比，我们的设计在保持高精度的同时实现了高效推理。我们在 RUGD 与 RELLIS-3D 数据集上的广泛评估表明，GANav 在 RUGD 上较 SOTA mIoU 提升 2.25-39.05%，在 RELLIS-3D 上提升 5.17-19.06%。我们将 GANav 与基于深度强化学习的导航算法对接，并凸显其在真实世界非结构化地形导航中的优势。我们将基于 GANav 的导航算法集成至 ClearPath Jackal 与 Husky 机器人，观察到成功率提升 10%，选择最佳可导航表面的比例提升 2-47%，且轨迹粗糙度降低 4.6-13.9%。此外，GANav 将禁入区域的误报率降低 37.79%。代码、视频与完整技术报告见 https://gamma.umd.edu/offroad/。
引用
@article{arxiv.2103.04233,
title = {GANav: Efficient Terrain Segmentation for Robot Navigation in Unstructured Outdoor Environments},
author = {Tianrui Guan and Divya Kothandaraman and Rohan Chandra and Adarsh Jagan Sathyamoorthy and Kasun Weerakoon and Dinesh Manocha},
journal= {arXiv preprint arXiv:2103.04233},
year = {2022}
}